人脸检测模型的训练方法及装置与流程

本文件涉及模型训练及数据处理技术领域，尤其涉及一种人脸检测模型的训练方法及装置。

背景技术：

随着深度学习技术的发展，人脸识别算法也日益成熟并在国内各个生活领域(如安防、支付、认证等)取得大规模实际落地应用，如利用人脸识别技术拓展刷脸登陆、刷脸支付和刷脸实名认证等业务场景。但是，随着国际化战役的逐步推进，在国际业务场景中经常会出现差异较大的多类型人脸，如非洲人的人脸外观与中国人人脸有很大不同，从而导致现有的通过单一类型的人脸数据(如仅包含中等肤色人脸的人脸数据)训练出的人脸活体检测算法不准确，应用在业务场景中时会出现较多的误拦截情况。

技术实现要素：

一方面，本说明书一个或多个实施例提供一种人脸检测模型的训练方法，包括：获取第一肤色类型的多个第一样本人脸图片。确定所述第一样本人脸图片中的指定部位区域对应的第一位置信息。基于所述第一位置信息对所述指定部位区域进行渲染，得到第二肤色类型的第二样本人脸图片。基于所述第二样本人脸图片，对目标人脸检测模型进行训练。所述目标人脸检测模型用于对所述第二肤色类型的用户进行人脸检测。

另一方面，本说明书一个或多个实施例提供一种人脸检测模型的训练装置，包括：获取模块，获取第一肤色类型的多个第一样本人脸图片。确定模块，确定所述第一样本人脸图片中的指定部位区域对应的第一位置信息。渲染模块，基于所述第一位置信息对所述指定部位区域进行渲染，得到第二肤色类型的第二样本人脸图片。训练模块，基于所述第二样本人脸图片，对目标人脸检测模型进行训练。所述目标人脸检测模型用于对所述第二肤色类型的用户进行人脸检测。

再一方面，本说明书一个或多个实施例提供一种人脸检测模型的训练设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取第一肤色类型的多个第一样本人脸图片。确定所述第一样本人脸图片中的指定部位区域对应的第一位置信息。基于所述第一位置信息对所述指定部位区域进行渲染，得到第二肤色类型的第二样本人脸图片。基于所述第二样本人脸图片，对目标人脸检测模型进行训练。所述目标人脸检测模型用于对所述第二肤色类型的用户进行人脸检测。

再一方面，本说明书一个或多个实施例提供一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取第一肤色类型的多个第一样本人脸图片。确定所述第一样本人脸图片中的指定部位区域对应的第一位置信息。基于所述第一位置信息对所述指定部位区域进行渲染，得到第二肤色类型的第二样本人脸图片。基于所述第二样本人脸图片，对目标人脸检测模型进行训练。所述目标人脸检测模型用于对所述第二肤色类型的用户进行人脸检测。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是根据本说明书一实施例的一种人脸检测模型的训练方法的示意性流程图；

图2是根据本说明书另一实施例的一种人脸检测模型的训练方法的示意性流程图；

图3(a)～3(b)是根据本说明书一实施例的一种人脸检测模型的训练方法中的人脸解析示意图；

图4是根据本说明书一实施例的一种人脸检测模型的训练方法中的肤色渲染结果示意图；

图5是根据本说明书一实施例的一种人脸检测模型的训练装置的示意性框图；

图6是根据本说明书一实施例的一种人脸检测模型的训练设备的示意性框图。

具体实施方式

本说明书一个或多个实施例提供一种人脸检测模型的训练方法及装置，以解决现有技术中样本人脸图片获取难度大、且人脸检测模型不准确的问题。

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件保护的范围。

图1是根据本说明书一实施例的一种人脸检测模型的训练方法的示意性流程图，如图1所示，该方法包括：

s102，获取第一肤色类型的多个第一样本人脸图片。

其中，肤色类型可基于多种维度确定。若维度为肤色深浅程度，则肤色类型可包括深肤色类型、浅肤色类型、中等肤色类型等。

s104，确定第一样本人脸图片中的指定部位区域对应的第一位置信息。

例如，指定部位区域可以是第一样本人脸图片中的人眼区域、面部区域(不包含五官区域)、耳朵区域、头发区域、脖子区域等。

s106，基于第一位置信息对指定部位区域进行渲染，得到第二肤色类型的第二样本人脸图片。

s108，基于第二样本人脸图片，对目标人脸检测模型进行训练，目标人脸检测模型用于对第二肤色类型的用户进行人脸检测。

本实施例中，第二肤色类型与第一肤色类型不同。例如，第一肤色类型为中等肤色类型，第二肤色类型为深肤色类型，则通过对中等肤色类型的样本人脸图片中的指定部位区域进行渲染，即可得到深肤色类型的样本人脸图片。

采用本说明书一个或多个实施例的技术方案，通过对第一肤色类型的多个第一样本人脸图片中的指定部位区域进行渲染，即可得到第二肤色类型的第二样本人脸图片，进而基于第二样本人脸图片对目标人脸检测模型进行训练，使得不同肤色类型的样本人脸图片之间可通过渲染操作来相互转化，这样，在需要训练用于对第二肤色类型的用户进行人脸检测的目标人脸检测模型时，无需获取不容易获取到的第二肤色类型的样本人脸图片，而只需获取容易获得的样本人脸图片并进行指定部位区域的渲染即可得到，大大降低了第二肤色类型的样本人脸图片的获取成本，且由于该方法实现简单，因此对于大批量的第二肤色类型的样本人脸图片的获取也容易实现，从而降低目标人脸检测模型的训练成本；并且，由于训练目标人脸检测模型所依据的样本与模型检测对象相匹配，因此提升了人脸检测结果的准确率。

在一个实施例中，第一肤色类型和第二肤色类型基于肤色深浅信息所确定。在基于第一样本人脸图片中的指定部位区域对应的第一位置信息对指定部位区域进行渲染时，可先确定第二肤色类型对应的目标肤色深浅信息，进而对指定部位区域进行与目标肤色深浅信息相匹配的渲染。

其中，肤色深浅信息可包括肤色深浅程度，基于此，可将肤色类型划分为深肤色类型、浅肤色类型、中等肤色类型等。

例如，第一肤色类型为浅肤色类型，第二肤色类型为深肤色类型。则通过将浅肤色类型的样本人脸图片中的指定部位区域渲染为深肤色，即可得到深肤色类型的样本人脸图片。

在一个实施例中，可通过将指定部位区域中的皮肤颜色转换为与第二肤色类型相匹配的皮肤颜色，以实现对指定部位区域进行与第二肤色类型对应的目标肤色深浅信息相匹配的渲染。

例如，基于皮肤深浅程度的不同可将第一肤色类型确定为浅肤色类型，将第二肤色类型确定为深肤色类型，那么，通过将浅肤色类型的样本人脸图片中的指定部位区域的皮肤颜色由浅肤色转换为深肤色，即可得到深肤色类型的样本人脸图片。

本实施例中，仅需通过对样本人脸图片中的指定部位区域的皮肤颜色进行转换，即可得到不同肤色类型的样本人脸图片，因此大大降低了不同肤色类型的样本人脸图片的获取成本，从而降低各种不同肤色类型对应的目标人脸检测模型的训练成本。肤色类型对应的目标人脸检测模型，指的是以对应肤色类型的样本人脸图片为训练样本，训练出用于对对应肤色类型的用户进行人脸检测的人脸检测模型。

在一个实施例中，指定部位区域为第一样本人脸图片中除人眼区域之外的其他区域。可采用以下步骤确定第一样本人脸图片中的指定部位区域所在的第一位置信息：

步骤一、对第一样本人脸图片进行人脸解析，得到各部分区域分别对应的第二位置信息。

该步骤中，可利用现有的人脸语义解析(faceparsing)算法对样本人脸图片进行局部切割，从而产出各部分区域的像素粒度mask(也可称之为“掩码”)，即各部分区域分别对应的位置信息。

步骤二、基于第二位置信息，确定各部分区域中除人眼区域之外的其他区域对应的第三位置信息。

步骤三、将第三位置信息确定为指定部位区域对应的第一位置信息。

其中，第一样本人脸图片中可包括以下任一个或多个区域：人眼区域、面部区域(不包含五官区域)、耳朵区域、头发区域、脖子区域等。指定部位区域(即各部分区域中除人眼区域之外的其他区域)如：人脸面部区域、脖子区域和耳朵区域。

在一个实施例中，得到第二样本人脸图片后，可提取第二样本人脸图片中的人脸特征信息，人脸特征信息包括人脸关键点信息、面部信息、面部表情信息等；进而基于第二样本人脸图片及人脸特征信息进行深度学习，得到目标人脸检测模型。

若第二样本人脸图片中的人脸特征信息包括人脸关键点信息时，则训练得到的目标人脸检测模型可用于检测第二肤色类型的用户的人脸关键点；若第二样本人脸图片中的人脸特征信息包括面部表情信息时，则训练得到的目标人脸检测模型可用于检测第二肤色类型的用户的面部表情信息；等等。

目标人脸检测模型对第二肤色类型的用户的人脸检测功能，与第一肤色类型对应的人脸检测模型对第一肤色类型的用户的人脸检测功能相对应。例如，第一肤色类型对应的人脸检测模型能够检测第一肤色类型的用户的面部表情，则第二肤色类型对应的人脸检测模型也同样能够检测出第二肤色类型的用户的面部表情。再例如，第一肤色类型对应的人脸检测模型能够检测出第一肤色类型的用户的关键点位置，则第二肤色类型对应的人脸检测模型也同样能够检测出第二肤色类型的用户的关键点位置。

图2是根据本说明书另一实施例的一种人脸检测模型的训练方法的示意性流程图。本实施例中，以第一肤色类型为浅肤色类型、第二肤色类型为深肤色类型为例。如图2所示，该方法包括：

s201，获取浅肤色类型的多个第一样本人脸图片。

s202，利用人脸语义解析算法对第一样本人脸图片进行人脸解析，得到人脸解析结果。

人脸解析结果包括人脸图片上各部分区域分别对应的位置信息。图3(a)～3(b)示意性的示出了一种人脸解析结果，图3(a)为第一样本人脸图片，图3(b)为对第一样本人脸图片进行语义解析后得到的解析结果。

s203，基于人脸解析结果，确定第一样本人脸图片中的指定部位区域对应的位置信息。

其中，指定部位区域如：人脸面部区域、脖子区域和耳朵区域。

s204，基于第一样本人脸图片中的指定部位区域对应的位置信息，将指定部位区域的皮肤颜色渲染为深肤色，得到深肤色类型的第二样本人脸图片。

图4示意性的示出了将指定部位区域的皮肤颜色渲染为深肤色的渲染结果。

s205，提取第二样本人脸图片中的人脸特征信息。

其中，人脸特征信息可包括人脸关键点信息、面部信息、面部表情信息等。

s206，基于第二样本人脸图片及人脸特征信息进行深度学习，得到用于对深肤色类型的用户进行人脸检测的目标人脸检测模型。

本实施例中，通过对浅肤色类型的多个第一样本人脸图片中的指定部位区域进行皮肤颜色渲染，即可得到深肤色类型的第二样本人脸图片，进而基于第二样本人脸图片对目标人脸检测模型进行训练，使得不同肤色类型的样本人脸图片之间可通过渲染操作来相互转化，这样，在需要训练用于对深肤色类型的用户进行人脸检测的目标人脸检测模型时，无需获取不容易获取到的深肤色类型的样本人脸图片，而只需获取容易获得的浅肤色类型的样本人脸图片，并进行指定部位区域的渲染即可得到，大大降低了深肤色类型的样本人脸图片的获取成本，且由于该方法实现简单，因此对于大批量的深肤色类型的样本人脸图片的获取也容易实现，从而降低目标人脸检测模型的训练成本；并且，由于训练目标人脸检测模型所依据的样本与模型检测对象相匹配，因此提升了人脸检测结果的准确率。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上为本说明书一个或多个实施例提供的人脸检测模型的训练方法，基于同样的思路，本说明书一个或多个实施例还提供一种人脸检测模型的训练装置。

图5是根据本说明书一实施例的一种人脸检测模型的训练装置的示意性框图，如图5所示，人脸检测模型的训练装置500包括：

获取模块510，获取第一肤色类型的多个第一样本人脸图片；

确定模块520，确定所述第一样本人脸图片中的指定部位区域对应的第一位置信息；

渲染模块530，基于所述第一位置信息对所述指定部位区域进行渲染，得到第二肤色类型的第二样本人脸图片；

训练模块540，基于所述第二样本人脸图片，对目标人脸检测模型进行训练；所述目标人脸检测模型用于对所述第二肤色类型的用户进行人脸检测。

在一个实施例中，所述第一肤色类型和所述第二肤色类型基于肤色深浅信息所确定；

所述渲染模块530包括：

第一确定单元，确定所述第二肤色类型对应的目标肤色深浅信息；

渲染单元，对所述指定部位区域进行与所述目标肤色深浅信息相匹配的渲染。

在一个实施例中，所述第一肤色类型为浅肤色类型；所述第二肤色类型为深肤色类型。

在一个实施例中，渲染单元还用于：

将所述指定部位区域中的皮肤颜色转换为与所述第二肤色类型相匹配的皮肤颜色。

在一个实施例中，所述指定部位区域为所述第一样本人脸图片中除人眼区域之外的其他区域；

所述确定模块520包括：

解析单元，对所述第一样本人脸图片进行人脸解析，得到各部分区域分别对应的第二位置信息；

第二确定单元，基于所述第二位置信息，确定所述各部分区域中除所述人眼区域之外的其他区域对应的第三位置信息；

第三确定单元，将所述第三位置信息确定为所述指定部位区域对应的所述第一位置信息。

在一个实施例中，所述各部分区域中除所述人眼区域之外的其他区域包括以下至少一项：人脸面部区域、脖子区域和耳朵区域。

在一个实施例中，所述训练模块540包括：

提取单元，提取所述第二样本人脸图片中的人脸特征信息；所述人脸特征信息包括人脸关键点信息、面部信息、面部表情信息中的至少一项；

训练单元，基于所述第二样本人脸图片及所述人脸特征信息进行深度学习，得到所述目标人脸检测模型。

采用本说明书一个或多个实施例的装置，通过对第一肤色类型的多个第一样本人脸图片中的指定部位区域进行渲染，即可得到第二肤色类型的第二样本人脸图片，进而基于第二样本人脸图片对目标人脸检测模型进行训练，使得不同肤色类型的样本人脸图片之间可通过渲染操作来相互转化，这样，在需要训练用于对第二肤色类型的用户进行人脸检测的目标人脸检测模型时，无需获取不容易获取到的第二肤色类型的样本人脸图片，而只需获取容易获得的样本人脸图片并进行指定部位区域的渲染即可得到，大大降低了第二肤色类型的样本人脸图片的获取成本，且由于该方法实现简单，因此对于大批量的第二肤色类型的样本人脸图片的获取也容易实现，从而降低目标人脸检测模型的训练成本；并且，由于训练目标人脸检测模型所依据的样本与模型检测对象相匹配，因此提升了人脸检测结果的准确率。

本领域的技术人员应可理解，上述人脸检测模型的训练装置能够用来实现前文所述的人脸检测模型的训练方法，其中的细节描述应与前文方法部分描述类似，为避免繁琐，此处不另赘述。

基于同样的思路，本说明书一个或多个实施例还提供一种人脸检测模型的训练设备，如图6所示。人脸检测模型的训练设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器601和存储器602，存储器602中可以存储有一个或一个以上存储应用程序或数据。其中，存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对人脸检测模型的训练设备中的一系列计算机可执行指令。更进一步地，处理器601可以设置为与存储器602通信，在人脸检测模型的训练设备上执行存储器602中的一系列计算机可执行指令。人脸检测模型的训练设备还可以包括一个或一个以上电源603，一个或一个以上有线或无线网络接口604，一个或一个以上输入输出接口605，一个或一个以上键盘606。

具体在本实施例中，人脸检测模型的训练设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对人脸检测模型的训练设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取第一肤色类型的多个第一样本人脸图片；

确定所述第一样本人脸图片中的指定部位区域对应的第一位置信息；

基于所述第一位置信息对所述指定部位区域进行渲染，得到第二肤色类型的第二样本人脸图片；

基于所述第二样本人脸图片，对目标人脸检测模型进行训练；所述目标人脸检测模型用于对所述第二肤色类型的用户进行人脸检测。

可选地，所述第一肤色类型和所述第二肤色类型基于肤色深浅信息所确定；

计算机可执行指令在被执行时，还可以使所述处理器：

确定所述第二肤色类型对应的目标肤色深浅信息；

对所述指定部位区域进行与所述目标肤色深浅信息相匹配的渲染。

可选地，所述第一肤色类型为浅肤色类型；所述第二肤色类型为深肤色类型。

可选地，计算机可执行指令在被执行时，还可以使所述处理器：

将所述指定部位区域中的皮肤颜色转换为与所述第二肤色类型相匹配的皮肤颜色。

可选地，所述指定部位区域为所述第一样本人脸图片中除人眼区域之外的其他区域；

计算机可执行指令在被执行时，还可以使所述处理器：

对所述第一样本人脸图片进行人脸解析，得到各部分区域分别对应的第二位置信息；

基于所述第二位置信息，确定所述各部分区域中除所述人眼区域之外的其他区域对应的第三位置信息；

将所述第三位置信息确定为所述指定部位区域对应的所述第一位置信息。

可选地，所述各部分区域中除所述人眼区域之外的其他区域包括以下至少一项：人脸面部区域、脖子区域和耳朵区域。

可选地，计算机可执行指令在被执行时，还可以使所述处理器：

提取所述第二样本人脸图片中的人脸特征信息；所述人脸特征信息包括人脸关键点信息、面部信息、面部表情信息中的至少一项；

基于所述第二样本人脸图片及所述人脸特征信息进行深度学习，得到所述目标人脸检测模型。

采用本说明书一个或多个实施例的技术方案，通过对第一肤色类型的多个第一样本人脸图片中的指定部位区域进行渲染，即可得到第二肤色类型的第二样本人脸图片，进而基于第二样本人脸图片对目标人脸检测模型进行训练，使得不同肤色类型的样本人脸图片之间可通过渲染操作来相互转化，这样，在需要训练用于对第二肤色类型的用户进行人脸检测的目标人脸检测模型时，无需获取不容易获取到的第二肤色类型的样本人脸图片，而只需获取容易获得的样本人脸图片并进行指定部位区域的渲染即可得到，大大降低了第二肤色类型的样本人脸图片的获取成本，且由于该方法实现简单，因此对于大批量的第二肤色类型的样本人脸图片的获取也容易实现，从而降低目标人脸检测模型的训练成本；并且，由于训练目标人脸检测模型所依据的样本与模型检测对象相匹配，因此提升了人脸检测结果的准确率。

本说明书一个或多个实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行上述人脸检测模型的训练方法，并具体用于执行：

获取第一肤色类型的多个第一样本人脸图片；

确定所述第一样本人脸图片中的指定部位区域对应的第一位置信息；

基于所述第一位置信息对所述指定部位区域进行渲染，得到第二肤色类型的第二样本人脸图片；

基于所述第二样本人脸图片，对目标人脸检测模型进行训练；所述目标人脸检测模型用于对所述第二肤色类型的用户进行人脸检测。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。